Algoritmo de programación dinámica que calcula probabilidades a posteriori símbolo‑por‑símbolo o bit‑por‑bit sobre un trellis de estados finitos mediante recursiones hacia adelante y hacia atrás sobre métricas de estado y de rama; produce salidas «soft» (probabilidades a posteriori o razones de verosimilitud logarítmicas) para cada símbolo dado un canal probabilístico y un modelo de estados explícito.

Principio

Las probabilidades marginales a posteriori de símbolos individuales se obtienen eficientemente combinando las recursiones hacia adelante (α) y hacia atrás (β) de los estados con las métricas locales de rama (γ), en lugar de enumerar todas las secuencias posibles.

Demostración

Escenario ilustrativo: decodificación de un código convolucional binario con trellis conocido y una secuencia recibida ruidosa. Calcular α_t(estado) hacia adelante para t=1..T, calcular β_t(estado) hacia atrás para t=T..1, formar Pr(u_t|y)=Σ_{transiciones compatibles con u_t} α_{t−1}(s')·γ_t(s'→s)·β_t(s). El resultado son probabilidades bit‑por‑bit y LLRs que sirven como entradas soft para otros decodificadores.

Aplicación incorrecta

Considerar las salidas del BCJR como exactas cuando el trellis o el modelo de canal están mal especificados (por ejemplo, varianza de ruido incorrecta o transiciones de estado erróneas) es un error; igualmente, sustituir estimaciones de secuencia Viterbi por posteriori símbolo‑por‑símbolo confunde MAP de secuencia con creencias MAP por símbolo.

Consecuencia

Con el trellis y el modelo correctos, BCJR proporciona las probabilidades MAP por símbolo para ese modelo y habilita el decodificado iterativo con entradas soft; en caso de mala aplicación (mismatch de modelo), las posteriori pueden estar sesgadas y degradar el procesamiento soft posterior.

Inversión

La exactitud depende de un espacio finito y manejable de estados y de un modelo probabilístico correcto; para espacios de estados muy grandes o continuos hay que aproximar (BCJR de estados reducidos, métodos de partículas) y las garantías MAP exactas dejan de aplicarse.

Límite

Claramente dentro: decodificación de un código convolucional de memoria finita o inferencia en un modelo oculto de Markov con estados finitos y estadísticas de canal conocidas. Caso límite: canal con memoria y parámetros inciertos, BCJR puede ejecutarse con parámetros estimados pero las posteriori reflejan esa incertidumbre. Claramente fuera: usar BCJR sin un modelo explícito de estados (detección símbolo‑a‑símbolo en canal sin memoria donde el MAP por símbolo es trivial sin trellis).

Tensión semántica

Marginalización exacta (optimalidad bajo el modelo) frente al coste computacional y la fidelidad del modelo: las posteriori exactas del BCJR son óptimas bajo el modelo asumido, pero el alto coste o un modelo inexacto pueden hacer preferibles métodos aproximados.

Síntesis

BCJR transforma el problema global de probabilidades de secuencia en posteriori locales y exactas mediante programación dinámica; su valor práctico depende tanto de la especificación correcta del modelo como del tamaño del espacio de estados.